[发明专利]基于像素拓扑耦合的导丝分割方法、装置及介质

说明书

本发明涉及一种基于像素拓扑耦合的导丝分割方法、装置及介质的技术方案，包括：拓扑扩张模型处理及注意力聚焦分割模型处理；拓扑扩张模型处理包括：输入已分割的第一血管图像，通过第一U‑Net神经网络进行导丝扩张训练，得到对应的扩张图；注意力聚焦分割模型处理包括：将扩张图及原始图像输入至具有损失函数的第二U‑Net神经网络进行注意力聚焦分割预测，得到已分割的第二血管图像；以第二血管图像作为输入，迭代地执行拓扑扩张模型处理及注意力聚焦分割模型处理，直至得到最优分割结果。本发明的有益效果为：实现了像素分割和拓扑分割结合处理，得到了更优分割结果。

技术领域

本发明涉及计算机及医学影像处理领域，具体涉及了一种基于像素拓扑耦合的导丝分割方法、装置及介质。

背景技术

导丝末端分割技术能够导丝及其尖端形态进行实时可视化，并且能够在介入医生因长时间的手术进程而感到疲劳时，辅助识别不寻常或具有潜在风险的的导丝形态并向医生发出警示提示。此外，虚拟血管漫游技术可以重建3D血管树形图并具有帮助降低介入手术时长、提高手术成功率、更少的复发症和更低量的造影剂使用等诸多优点，对系统的顺利运行而言，可靠的导丝分割技术是必要的。而且，对于可以辅助经验不足的外科医生在难以通过的血管区域精准操纵导丝的下一代手术机器人而言，作为机器人系统操作视觉反馈的重要组成部分，导丝分割技术同样不必可少。

像素级别高精度导丝分割技术能够提供准确可靠的导丝末端点位置信息以辅助医生或者手术机器人进行下一步手术操作，但仅具备高精度识别而不考虑导丝形态的分割技术在实际应用上上仍有不足。导丝分割技术所识别出的导丝环状结构可以用来警示医生或者手术机器人重新操纵导丝，借此避免导丝末端环形结构所导致的血管壁损伤。因此一项综合考虑到像素级别及拓扑级别的导丝分割技术对于上述临床应用而言至关重要。

现有考虑到该问题的导丝分割方法在处理方式上仍有缺陷：B样条或者其他手工选择的拓扑模型被用来优化分割结果。然而，B样条或者其他优化手工选择的拓扑模型都是有简单的数学模型建立而来，但由于导丝本身的灵活性及柔软性会使其在血管中产生多种复杂的形状，而这些形状难以被简单的数学拓扑模型所拟合。

相比之下，基于从海量真实的术中荧光成像图片中利用深度神经网络学习导丝姿态的模型，能够达到比起手工拓扑模型更好的分割效果。然而，这些深度学习模型，也存在一些问题：他们大都是利用神经网络先进行分割之后再进行拓扑完善的后处理，这种处理过程将像素分割和拓扑分割视为两个相对独立的任务

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于像素拓扑耦合的导丝分割方法、装置及介质，通过拓扑扩张和注意力聚焦分割两个互补模型，实现了像素分割和拓扑分割更优分割结果。

本发明的技术方案包括一种基于像素拓扑耦合的导丝分割方法，其特征在于，该方法包括：拓扑扩张模型处理及注意力聚焦分割模型处理；所述拓扑扩张模型处理包括：输入已分割的第一血管图像，通过第一U-Net神经网络进行导丝扩张训练，得到对应的扩张图；注意力聚焦分割模型处理包括：将所述扩张图及原始图像输入至具有损失函数的第二U-Net神经网络进行注意力聚焦分割预测，得到已分割的第二血管图像；以所述第二血管图像作为输入，迭代地执行所述拓扑扩张模型处理及注意力聚焦分割模型处理，直至得到最优分割结果。

根据所述的基于像素拓扑耦合的导丝分割方法，其中第一U-net神经网络包括：以离线导丝数据集中每张经过荧光成像和人工标注的所述第一血管图像作为输入的训练数据，执行随机砍断，对砍断的所述第一血管图像进行扩张。

根据所述的基于像素拓扑耦合的导丝分割方法，其中对砍断的所述第一血管图像进行扩张包括：所述第一血管图像基于原始标注分割结果的导丝范围内进行扩张。